数据集的划分，验证集参与训练了吗？

最新推荐文章于 2024-09-24 17:09:00 发布

无枒

最新推荐文章于 2024-09-24 17:09:00 发布

阅读量1.3w

点赞数 40

分类专栏：机器学习文章标签：机器学习深度学习自然语言处理数据分析

本文链接：https://blog.csdn.net/fs1341825137/article/details/111218768

版权

机器学习专栏收录该内容

14 篇文章

订阅专栏

本文介绍了在机器学习和深度学习中数据集的划分，主要分为训练集、验证集和测试集。验证集用于在每个epoch后评估模型性能，帮助调整超参数，但不直接参与训练。测试集则用于最终评估模型的泛化能力，确保模型未过拟合训练数据。数据集划分比例通常依据数据量大小，小数据量时可能不设验证集，大数据量时验证集和测试集占比约1%。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据集的划分，验证集参与训练了吗？

前言

在周志华老师的《机器学习》这本书中，我们知道训练机器学习以及深度学习的模型的时候，对数据集需要进行划分，通常划分成训练集和测试集，一般我们还会对训练集进行再划分一部分作为验证集。
在这里插入图片描述

一、验证集怎么用？

验证集参与训练了吗？

从《机器学习》这本书中，我们知道，训练集是拿来训练模型参数的，对于所有的训练集，训练一个epoch之后，我们会用验证集来测试一下模型在上面的性能，由于训练集和验证集的不可交性，所以在验证集上面的结果是有参考意义的。

但是重点是：
1. 验证集并没有参与训练过程梯度下降过程的，狭义上来讲是没有参与模型的参数训练更新的。
2. 但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batchsize等等。
3. 因此，我们也可以认为，验证集也参与了训练，但是并没有使得模型去overfit验证集

二、为什么需要测试集？

训练集就是用来训练参数的，说准确点，一般是用来梯度下降的。而验证集基本是在每个epoch完成后，用来测试一下当前模型的准确率，然后调整超参数。因为验证集跟训练集没有交集，因此这个准确率是可靠的。那么为啥还需要一个测试集呢？

这就需要区分一下模型的各种参数了。事实上，对于一个模型来说，其参数可以分为普通参数和超参数。在不引入强化学习的前提下，那么普通参数就是可以被梯度下降所更新的，也就是训练集所更新的参数。
另外，还有超参数的概念，比如网络层数、网络节点数、迭代次数、学习率等等，这些参数不在梯度下降的更新范围内。尽管现在已经有一些算法可以用来搜索模型的超参数，但多数情况下我们还是自己人工根据验证集来调。

那么就很明显了，我们还需要一个完全没有经过训练的集合，那就是测试集，我们既不用测试集梯度下降，也不用它来控制超参数，只是在模型最终训练完成后，用来测试一下最后准确率，确定模型的泛化能力强弱。